कृत्रिम बुद्धिमत्तेसह भूविज्ञान आणि ड्रिलिंग डेटाचा अर्थ लावणे — खाण अभियांत्रिकीमध्ये कृत्रिम बुद्धिमत्ता

नफा:

एआय समर्थनासह ड्रिलिंग लॉग, लिथोलॉजी आणि ग्रेड डेटा साफ करण्याची क्षमता आणि विसंगती आणि कोडिंग त्रुटी शोधण्याची क्षमता
कोर फोटोग्राफी आणि भूगर्भीय निरीक्षणाचा अर्थ लावताना पूर्व-वर्गीकरण आणि गृहीतक जनरेटर म्हणून AI ला अचूकपणे स्थान देण्याची क्षमता
भूगर्भशास्त्रज्ञ निरीक्षण आणि प्रयोगशाळा विश्लेषणासह AI च्या अनुमानित लिथोलॉजी/बदलाचे स्पष्टीकरण क्रॉस-व्हॅलिडेट करण्याची क्षमता

प्रत्येक खाण प्रकल्पाचा आधार भूगर्भातून घेतलेले नमुने असतात. या उदाहरणांपैकी सर्वात महत्वाचे म्हणजे ड्रिल कोअर (ड्रिलिंग मशीन खडकातून दंडगोलाकार आकारात काढलेला सतत नमुना). भूगर्भशास्त्रज्ञ गाभा तपासतो; हे खडकाचे प्रकार (लिथॉलॉजी), रचना, बदल (गरम पाण्याने आणि रासायनिक प्रभावाने खडकाचे बदल) आणि खनिजीकरण नोंदवते आणि ग्रेडसाठी प्रयोगशाळेतील नमुन्यांचे विश्लेषण करते. याचा परिणाम म्हणजे मीटरद्वारे मीटर रेकॉर्ड केलेले एक विशाल टेबल आहे, ज्याला ड्रिलिंग लॉग म्हणतात. एकाच प्रकल्पात शेकडो ड्रिलिंग आणि हजारो लाईन असू शकतात. हा डेटा साफ करणे, ते एकत्र करणे, विसंगती पकडणे आणि प्रारंभिक व्याख्या काढणे; हे असे क्षेत्र आहे जेथे AI खरोखर वेगवान आहे, परंतु प्रत्येक चरण भूगर्भशास्त्रज्ञांच्या डोळ्याने सत्यापित करणे आवश्यक आहे. या युनिटमध्ये तुम्ही AI सह ड्रिलिंग/जिओलॉजी डेटा कसा साफ करायचा, मुख्य प्रतिमेचा पूर्व-व्याख्या कसा करायचा आणि परिणाम कसे प्रमाणित करायचे ते शिकाल.

ड्रिलिंग डेटा सारण्यांचे शरीरशास्त्र

ड्रिलिंग डेटा सेटमध्ये सामान्यत: चार टेबल असतात आणि त्यांना योग्यरित्या एकत्र करणे हे अर्धे काम आहे:

कॉलर: प्रारंभिक समन्वय (X, Y, Z) आणि प्रत्येक बोरहोलची एकूण खोली.
सर्वेक्षण (विचलन): खोलीसह ड्रिलिंगचा उतार (डुबकी) आणि दिशा (अझिमुथ) मध्ये बदल. ड्रिलिंग कधीही पूर्णपणे सरळ होत नाही.
लिथॉलॉजी: खडकांचे प्रकार आणि भूवैज्ञानिक निरीक्षणे संपूर्ण खोलीत (पासून ते)
परख: प्रयोगशाळा श्रेणीचे परिणाम खोलीच्या श्रेणीमध्ये (उदा. Au g/t, Cu %).

या सारण्यांनी नियमांचे पालन करणे आवश्यक आहे जसे की < पासून, श्रेणी ओव्हरलॅप होऊ नयेत आणि कोड सुसंगत असले पाहिजेत. वास्तविक जीवनात, या मॅन्युअली एंटर केलेल्या डेटामध्ये नेहमी त्रुटी असतात: गहाळ श्रेणी, ओव्हरलॅपिंग श्रेणी, युनिट गोंधळ (ppm आणि % मिक्सिंग), लिथॉलॉजी कोडचे भिन्न शब्दलेखन (GRN, Grn, ग्रॅनाइट), शून्य मूल्याऐवजी 999 किंवा -9 सारखे कोड. अशा विसंगती स्कॅन आणि ध्वजांकित करण्यात AI खूप शक्तिशाली आहे; परंतु तुम्ही भूगर्भशास्त्रज्ञांच्या मान्यतेने सुधारणा करणे आवश्यक आहे.

स्टेप बाय स्टेप: AI सह ड्रिलिंग डेटा क्लीनिंग

डेटाचा परिचय द्या. AI ला स्तंभांची नावे, एकके आणि काही नमुना पंक्ती द्या (वास्तविक निर्देशांक निनावी करणे). काय घडले पाहिजे ते स्पष्टपणे वर्णन करा.
नियमांची यादी बनवा. AI ला "या सारणीसाठी मी कोणते सातत्य नियम तपासले पाहिजे" या यादीसाठी विचारा, शीर्षस्थानी तुमचे स्वतःचे नियम जोडा.
एक विसंगती स्कॅन करा. फक्त AI ला ध्वजांकित करण्यासाठी विचारा, ऑटोकरेक्ट नाही. प्रत्येक चिन्हासाठी औचित्य विचारा.
कच्च्या स्त्रोताकडे परत या. मूळ बोअरहोल लॉग किंवा प्रयोगशाळा प्रमाणपत्रासमोर प्रत्येक चिन्हांकित रेषा तपासा.
ते दुरुस्त करण्याचा निर्णय घ्या. भूगर्भशास्त्रज्ञ सुधारणा करतात; एआय फक्त सुचवते.

टीप: AI ला "मला दुरुस्त केलेले टेबल द्या" असे सांगू नका; "कारणासह संशयास्पद रेषा ध्वजांकित करा" म्हणा. ऑटोकरेक्टिंग टेबलमध्ये, शांतपणे दूषित झालेल्या पंक्ती लक्षात घेणे जवळजवळ अशक्य आहे.

कोर फोटो आणि व्हिज्युअल व्याख्या

आधुनिक प्रकल्पांमध्ये, कोर बॉक्सचे छायाचित्रण केले जाते. मल्टी-मॉडेल एआय टूल्स (मॉडेल जे प्रतिमांवर प्रक्रिया देखील करू शकतात) या छायाचित्रांमधून प्राथमिक अर्थ काढू शकतात: रंग बदल, संभाव्य फ्रॅक्चर घनता, नसांची उपस्थिती, संभाव्य बदल झोन. हे प्राथमिक तपासणी म्हणून मौल्यवान आहे जे भूगर्भशास्त्रज्ञांना "येथे काळजीपूर्वक पहा" सांगते. तथापि, लिथोलॉजी आणि फेरफार निर्णय कधीही छायाचित्रांवरून घेतले जात नाहीत; कोरची मॅन्युअल तपासणी, कडकपणा चाचणी, आम्ल प्रतिक्रिया आणि प्रयोगशाळा विश्लेषण आवश्यक आहे. रंगावरून "सोने आहे" असे अनुमान काढणे ही एआयची गंभीर चूक आहे; सोने अनेकदा उघड्या डोळ्यांना अदृश्य असते आणि ते केवळ विश्लेषणाद्वारे ओळखले जाऊ शकते.

तीन लहान प्रकरणे

केस 1 - युनिट हस्तक्षेप कॅप्चर. एका प्रकल्पात, परख सारणीमध्ये 12,000 पंक्ती असतात. भूगर्भशास्त्रज्ञ AI ला टेबलची ओळख करून देतात आणि म्हणतात, "Au स्तंभात 100 g/t वरील मूल्यांसह पंक्ती सूचीबद्ध करा; या एकतर खरे उच्च श्रेणी किंवा ppm/ppb मिश्रण असू शकतात." AI 37 ओळी चिन्हांकित करते. भूगर्भशास्त्रज्ञ प्रयोगशाळेतील प्रमाणपत्रे पाहतात; त्याला आढळले की 34 प्रत्यक्षात ppb (एक अब्ज प्रति) म्हणून प्रविष्ट केले गेले होते परंतु चुकून ते g/t मानले गेले होते, तर 3 वास्तविक बोनान्झा (खूप उच्च दर्जाचे) होते. जर या 34 ओळी दुरुस्त केल्या नाहीत, तर सरासरी श्रेणी कृत्रिमरित्या वाढविली जाईल आणि राखीव अतिशयोक्तीपूर्ण होईल.

केस 2 — आच्छादित श्रेणी. लिथोलॉजी टेबलमध्ये, ते-ते अंतराल आच्छादित होतात: 45.0-52.0 मीटर ग्रॅनाइट आणि 50.0-58.0 मीटर शेल एकाच वेळी परिभाषित केले जातात. AI या ओव्हरलॅप्सची यादी करते आणि एकूण 19 ओळी ओव्हरलॅप दाखवते. भूगर्भशास्त्रज्ञ कच्च्या लॉगकडे वळतात; डेटा एंट्रीमध्ये लाइन शिफ्ट शोधते आणि दुरुस्त करते. जर आच्छादित अंतराल दुरुस्त केले गेले नाहीत, तर ब्लॉक मॉडेलला कोणता रॉक प्रकार नियुक्त केला जाईल हे अस्पष्ट राहील आणि टोनेज चुकीच्या पद्धतीने मोजला जाईल.

केस 3 - चुकीचा व्हिज्युअल अंदाज (चेतावणी). एक इंटर्न AI ला कोर फोटो देतो आणि विचारतो, "या झोनमध्ये काही धातू आहे का?" AI ला लालसरपणा आणि शिरा दिसतात आणि म्हणतात "संभाव्य खनिजीकरण जास्त आहे." इंटर्न लॉगमध्ये "खनिजीकृत" म्हणून प्रक्रिया करतो. तर लालसरपणा हा लोह ऑक्साईडचा डाग असतो आणि त्यात आर्थिक धातू नसतात; प्रयोगशाळा विश्लेषण ट्रेस स्तरांवर ग्रेड शोधते. धडा: प्रतिमेवरून ग्रेड/ओअर ठरवता येत नाही; एआय आउटपुट हे फक्त एक "परीक्षण" चिन्ह आहे, जे विश्लेषणाद्वारे सत्यापित केले जाते.

कॉपी करण्यायोग्य प्रॉम्प्ट टेम्पलेट्स

ड्रिल डेटा कॉन्सिस्टेन्सी स्कॅनिंग "भूमिका: तुम्ही सहाय्यक संसाधन/डेटाबेस भूगर्भशास्त्रज्ञ आहात. खाली एक [लिथॉलॉजी/असे] सारणी ते-टू अंतरावर आहे. स्तंभ: [सूची, युनिट्ससह]. खालील विसंगती ROW क्रमांक आणि कारणांसह चिन्हांकित करा: पासून>=ते, ओव्हरलॅपिंग श्रेणी, स्पेशल कोड, स्पेशल कोड, स्पेस-अप, भिन्नता निगेटिव्ह/आउटलियर, कोरे ऐवजी कोड (999/-9) बरोबर करू नका, फक्त टेबल चिन्हांकित करा: [पेस्ट करा].”

लिथोलॉजी कोड स्टँडर्डायझेशन "खालील लिथोलॉजी कोड हाताने एंटर केले गेले आहेत आणि ते विसंगत आहेत. एकाच रॉक प्रकाराचे वेगवेगळे स्पेलिंग गट करा (उदा. GRN/Grn/granite). प्रत्येक गटासाठी एकच शिफारस केलेला मानक कोड लिहा. टेबलमध्ये: [मूळ कोड] -> [मूळ कोड] -> [मला स्वतंत्रपणे शिफारस केलेले गट ठरवू द्या. तुम्ही स्वतंत्रपणे गट ठरवू द्या. कोड: [पेस्ट]."

कोर फोटो प्री-स्कॅनिंग "मला या कोर फोटोमध्ये लक्षात येणारी दृश्य वैशिष्ट्ये सूचीबद्ध करा: रंग बदलण्याचे क्षेत्र, संभाव्य फ्रॅक्चर/फ्रॅक्चर घनता, दृश्यमान रक्तवाहिनी, संभाव्य बदल चिन्ह. याला हायपोथेसिस म्हणून लिहा; खडकाचा प्रकार किंवा श्रेणी ठरवू नका. प्रत्येक वैशिष्ट्यासाठी, फील्डमध्ये काय सूचित केले पाहिजे.

भौगोलिक लॉग सारांश "खालील मजकूर ड्रिलिंगचा भूगर्भीय लॉग आहे. त्यास खालील शीर्षकांसह संरचित सारांशात रूपांतरित करा: प्रबळ लिथोलॉजीज आणि खोली श्रेणी, बदल झोन, स्ट्रक्चरल नोट्स (फॉल्ट/फ्रॅक्चर), खनिज निरीक्षणे. मजकूर असे काहीही जोडू नका; एन वाक्प्रचार म्हणून चिन्हांकित करा. 'अस्पष्ट' लॉग: [पेस्ट]."

कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट

कमजोर प्रॉम्प्ट: "हा ड्रिलिंग डेटा निश्चित करा."

स्ट्राँग प्रॉम्प्ट: "भूमिका: तुम्ही सहाय्यक डेटाबेस भूगर्भशास्त्रज्ञ आहात. खालील परखणी सारणीमध्ये, फक्त संशयास्पद पंक्ती फ्लॅग करा (पासून>=तेपर्यंत, ppm/% संशयित भेसळ, नकारात्मक मूल्य, रिक्त ऐवजी 999). प्रत्येक ध्वजासाठी पंक्ती क्रमांक + कारण द्या. ऑटोकरेक्ट करू नका; मी कडून प्रमाणपत्र तपासेन: कॉलमकडून, मी प्रमाणपत्र तपासू. To(m), Au(g/t) टेबल: [पेस्ट]."

कमकुवत प्रॉम्प्ट AI ला सांगते "तुम्ही निर्णय घ्या आणि बदला"; शक्तिशाली प्रॉम्प्ट एआयला चिन्हांकित करण्यासाठी मर्यादित करते, दुरुस्ती अधिकार भूवैज्ञानिकांकडे सोडते.

तुलना सारणी: कोणत्या व्यवसायात AI कसे वापरावे

शोध

AI ची भूमिका

ज्याचा निर्णय

पडताळणी

विसंगती चिन्हांकन

शक्तिशाली ब्राउझर

भूवैज्ञानिक निराकरणे

कच्चा लॉग/प्रमाणपत्र

लिथोलॉजी कोड विलीन करणे

सूचना

भूगर्भशास्त्रज्ञ पुष्टी करतात

कोड शब्दकोश

कोर फोटो टिप्पणी

प्री-स्क्रीनिंग / गृहीतक

भूवैज्ञानिक / प्रयोगशाळा

मॅन्युअल तपासणी + विश्लेषण

ग्रेड/ओअर निर्णय

वापरले नाही

प्रयोगशाळा

मान्यताप्राप्त विश्लेषण

लॉग मजकूर सारांशित करा

कॉन्फिगरेटर

भूगर्भशास्त्रज्ञ

मूळ मजकुराशी तुलना

सामान्य चुका

AI येत टेबल "स्वयंचलित" आहे. तुम्हाला कदाचित मूक विकृती लक्षात येणार नाही; फक्त चिन्हांकित करा.
कोर फोटोमधून ग्रेड/अयस्क काढणे. सोने अनेकदा उघड्या डोळ्यांना अदृश्य आहे; निर्णय आपले विश्लेषण आहे.
निनावी न ठेवता वास्तविक निर्देशांक पेस्ट करत आहे. परवाना आणि निर्देशांक संवेदनशील डेटा आहेत.
मूळ लॉगशी AI सारांशची तुलना करत नाही. AI एक निरीक्षण जोडू शकते जे मजकुरात नाही (भ्रम).
युनिटच्या जुळण्याकडे दुर्लक्ष करत आहे. ppm/%/g/t/ppb मिक्सिंग थेट रिझर्व्हमध्ये व्यत्यय आणते.

लक्ष द्या: ड्रिलिंग डेटामधील युनिट त्रुटी एका ओळीत राहत नाही; कंपोझिटिंग वाढते आणि संपूर्ण अंदाज आणि राखीव क्षेत्रामध्ये पसरते. साफसफाईच्या टप्प्यातील परिश्रम त्यानंतरच्या सर्व खात्यांची विश्वासार्हता निर्धारित करते.

सारांशात

ड्रिलिंग/जिओलॉजी डेटामध्ये चार मुख्य तक्त्या असतात (कॉलर, सर्वेक्षण, लिथोलॉजी, परख) आणि सातत्य नियम महत्त्वाचे आहेत. AI या डेटा विसंगती स्कॅनिंग, कोड मानकीकरण, लॉग सारांश आणि कोर फोटो प्री-स्कॅनिंगमध्ये एक शक्तिशाली मदत आहे. तथापि, दुरुस्तीचा निर्णय भूगर्भशास्त्रज्ञाचा आहे आणि ग्रेड/ओअर निर्णय प्रयोगशाळेचा आहे. एआय मार्क संपादित करू नका, कच्च्या स्त्रोतावरून प्रत्येक चिन्हाची पडताळणी करू नका आणि प्रतिमेवरून कधीही ग्रेड काढू नका.

अर्ज कार्य

तुमच्याकडे असलेले परख सारणी अनामित करा (किंवा नमुना) आणि ते AI ला "ड्रिलिंग डेटा कंसिस्टन्सी स्कॅन" टेम्प्लेटसह द्या. चिन्हांकित पंक्ती टेबलमध्ये आयात करा; प्रत्येकासाठी "कच्च्या स्त्रोताकडून तपासले जावे" नोट विचारात घ्या. नंतर “लिथॉलॉजी कोड स्टँडर्डायझेशन” टेम्प्लेटसह कोड शब्दकोश तयार करा आणि AI ला खात्री नसलेल्या गटांची स्वतंत्रपणे नोंद घ्या. शेवटी, कोर फोटो प्री-स्कॅन करा आणि समोर येणाऱ्या प्रत्येक गृहीतकासाठी तुम्ही फील्डमध्ये काय तपासाल ते लिहा.

चेकलिस्ट

[ ] मी AI ला डेटा देण्यापूर्वी वास्तविक समन्वय/परवाना माहिती अनामित केली.
[ ] मी AI ला न्याय्य मार्किंगसाठी विचारले, दुरुस्ती नाही.
[ ] मी रॉ लॉग/लॅब सर्टिफिकेटमध्ये चिन्हांकित केलेली प्रत्येक ओळ तपासली.
[ ] मी व्हॉल्यूमची सुसंगतता देखील सत्यापित केली (g/t, %, ppm, ppb).
[ ] मी मुख्य फोटो आउटपुटला गृहितक मानले, मी ग्रेड निर्णय घेतला नाही.
कोणतीही माहिती जोडलेली नाही हे सत्यापित करण्यासाठी मी AI सारांशची मूळ लॉग टेक्स्टशी तुलना केली.